cuda

显卡 Video card，Graphics card，又叫显示接口卡，是一个硬件概念（相似的还有网卡），执行计算机到显示设备的数模信号转换任务，安装在计算机的主板上，将计算机的数字信号转换成模拟信号让显示器显示出来。 显卡是计算机的标配之一，计算机要显示图像就必须安装显卡。普通计算机的显卡一般是集成在主板上的。 显卡驱动 显卡驱动是显卡跟计算机连接的桥梁，可以让计算机识别到GPU硬件，是必须正确安装的，不同厂商、不同型号的GPU对应不同的显卡驱动。 非开发人员不用安装CUDA或cuDNN，但是一定要安装显卡驱动。 查看Nvidia显卡和显卡驱动版本信息： nvidia-smi 显存 又叫帧缓存，作用是用来存储GPU处理过或者即将提取的渲染数据，显存相对于GPU相当于内存对于CPU。 GPU Graphics Processing Unit，图形处理单元，GPU是显卡上的一块芯片，也是显卡的核心设备，GPU和显卡的关系类似于CPU和主板的关系。 早期的GPU主要用于图形渲染，可以让电脑显示更加逼真、细节更加丰富的图形图像，牛逼的GPU可以跑大型3D游戏显示流畅不卡顿，这也是人们对GPU或显卡的最初认识。 后来人们发现GPU还可以做更多的工作，例如执行矩阵运算和浮点运算，特别是可以用来加速神经网络模型的训练，GPU也在并行计算这条路上越走越远。可以说GPU让人工智能有了更多可能。

碎碎念： 最近拿到一个工业模型渲染测试，它有三千六百万个三角面，内存使用了近16G。家里电脑显卡是GTX960，才2G显存，完全不够用啊。稍微加点模型进去，就超显存不渲了，很是揪心，谁让我选了redshift渲呢。。但不可否认它确实出图很快啊。 为了测试继续进行下去，我不断优化场景，尽可能的删掉看不到物体。最终模型三角面减到了两千百万，才勉强能够渲成图。小心翼翼调整采样，都不敢多加半点参数。门都不敢打开，糟心的测试，真是够够了。贴一张渲染出来的图留念一下吧！ 这只是别人发给我的测试，可能不是西门子的东西，自己瞎放上去的。如有不合适，请联系我删掉。。 恩！回归到正题，要跟上时代潮流家里就得换电脑了。于是我研读了一下redshift的对于硬件的需求。 划重点： 游戏显卡跟专业显卡在redshift渲染性能上没差异。windows系统选专业显卡会快。 1GB的显存中容纳大约2千万到3千3百万个三角面。算算自己的需求量吧。 单显卡，显存越高越好啦，渲染会更快。 多个GPU的显存不能叠加在一起用。如果是多显卡一起使用，可以一次渲多帧，会节约渲染时间。 CPU单核高GHz是更好的选择。 至少安装比GPU大两倍的内存。 本地缓存纹理文件夹所在的磁盘，使用固态硬盘会加快读取速度。 网络读取速度会影响渲染速度，请用大量代理文件（例如3000w面的代理）测试本地路径和网络路径渲染时间差异。

软硬件环境 ubuntu 18.04 64bit anaconda with 3.7 nvidia gtx 1070Ti cuda 10.1 pytorch 1.5 YOLOv5 YOLOv5环境配置 请参考之前的文章，YOLOv5目标检测 使用COCO数据集 YOLOv5 的预训练模型是基于 COCO 数据集，如果自己想去复现下训练过程，可以依照下面的命令 $ python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64 yolov5m 48 yolov5l 32 yolov5x 16 COCO 的数据集可以通过 data 文件夹下 get_coco2017.sh 脚本进行下载，包含图片和 lable 文件。 COCO 的数据集实在是太大了，整个压缩包有18G，考虑到自己到的网速还有机器的算力，还是洗洗睡吧。。。 制作自己的数据集 如果没有对应目标的公开数据集，那就只有自己出手收集了，图片到手后，接下来就是艰辛的打标签工作了，这里使用工具 LabelImg ，下载地址是 https://github.com/tzutalin/labelImg/releases/tag/v1.8.1 LabelImg 使用 Qt 做了图形化的界面，操作还是很方便的，这也是选择它的理由，它提供了默认的

参考链接： https://blog.csdn.net/weixin_41519463/article/details/100863313 import torch import torch.nn as nn from pytorch_transformers import BertModel, BertConfig,BertTokenizer # 使用gpu device0 = torch.device( " cuda " if torch.cuda.is_available() else " cpu " ) # 输入处理 tokenizer = BertTokenizer.from_pretrained( ' bert-base-uncased ' ) # 从预训练模型中加载tokenizer # text = "[CLS] Who was Jim Henson ? [SEP] Jim Henson was a puppeteer [SEP]"#开始结束标记 # tokenized_text = tokenizer.tokenize(text) #用tokenizer对句子分词 # indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text)#词在预训练词表中的索引列表 # segments_ids = [0,